R -gegevensset
Gegevensset
Een dataset is een verzameling gegevens, vaak gepresenteerd in een tabel.
Er is een populaire ingebouwde dataset in R genaamd " mtcars " (Motor Trend Car Road Tests), die is opgehaald uit het Motor Trend US Magazine uit 1974.
In de onderstaande voorbeelden (en voor de volgende hoofdstukken) zullen we de mtcars
dataset gebruiken voor statistische doeleinden:
Voorbeeld
# Print the mtcars data set
mtcars
Resultaat:
mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4 Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4 Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3 Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3 Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3 Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4 Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4 Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1 Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2 AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2 Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4 Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2 Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6 Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8 Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
Informatie over de dataset
U kunt het vraagteken ( ?) gebruiken om informatie over de mtcarsdataset te krijgen:
Voorbeeld
# Use the question mark to get information about
the data set
?mtcars
Resultaat:
| mtcars {datasets} | R Documentatie |
Motor Trend Auto Road Tests
Beschrijving
De gegevens zijn ontleend aan het Amerikaanse tijdschrift Motor Trend uit 1974 en omvatten het brandstofverbruik en 10 aspecten van auto-ontwerp en -prestaties voor 32 auto's (modellen van 1973-74).
Gebruik
mtcars
Formaat
Een dataframe met 32 observaties op 11 (numerieke) variabelen.
| [, 1] | mpg | Mijlen/(VS) gallon |
| [, 2] | cyl | aantal cilinders |
| [, 3] | baten | Verplaatsing (cu.in.) |
| [, 4] | pk | Bruto pk |
| [, 5] | ontwerp | Achteras verhouding |
| [, 6] | wt | Gewicht (1000 pond) |
| [, 7] | qsec | 1/4 mijl tijd |
| [, 8] | vs | Motor (0 = V-vormig, 1 = recht) |
| [, 9] | ben | Transmissie (0 = automaat, 1 = handgeschakeld) |
| [,10] | uitrusting | Aantal versnellingen vooruit |
| [,11] | koolhydraten | Aantal carburateurs |
Opmerking
Henderson en Velleman (1981) geven commentaar in een voetnoot bij Tabel 1: 'Hocking [originele transcriber]'s niet-cruciale codering van de Mazda's rotatiemotor als een zescilinder-in-lijnmotor en de platte motor van Porsche als een V-motor, evenals de toevoeging van de diesel Mercedes 240D, zijn behouden om een directe vergelijking met eerdere analyses mogelijk te maken.'
Bron
Henderson en Velleman (1981), Interactief meerdere regressiemodellen bouwen. Biometrie , 37 , 391-411.
Voorbeelden
require(graphics)
pairs(mtcars, main = "mtcars data", gap = 1/4)
coplot(mpg ~ disp | as.factor(cyl), data = mtcars,
panel = panel.smooth, rows = 1)
## possibly more meaningful, e.g., for summary() or bivariate plots:
mtcars2 <- within(mtcars, {
vs <- factor(vs, labels = c("V", "S"))
am <- factor(am, labels = c("automatic", "manual"))
cyl <- ordered(cyl)
gear <- ordered(gear)
carb <- ordered(carb)
})
summary(mtcars2)
Informatie krijgen
Gebruik de dim()functie om de afmetingen van de dataset te vinden en de names()functie om de namen van de variabelen te bekijken:
Voorbeeld
Data_Cars <- mtcars # create a variable of the mtcars data set for better
organization
# Use dim() to find the dimension of the data set
dim(Data_Cars)
# Use names() to find the names of the variables from
the data set
names(Data_Cars)
Resultaat:
[1] 32 11 [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear" [11] "carb"
Gebruik de rownames()functie om de naam van elke rij in de eerste kolom te krijgen, de naam van elke auto:
Voorbeeld
Data_Cars <- mtcars
rownames(Data_Cars)
Resultaat:
[1] "Mazda RX4" "Mazda RX4 Wag" "Datsun 710" [4] "Hornet 4 Drive" "Hornet Sportabout" "Valiant" [7] "Duster 360" "Merc 240D" "Merc 230" [10] "Merc 280" "Merc 280C" "Merc 450SE" [13] "Merc 450SL" "Merc 450SLC" "Cadillac Fleetwood" [16] "Lincoln Continental" "Chrysler Imperial" "Fiat 128" [19] "Honda Civic" "Toyota Corolla" "Toyota Corona" [22] "Dodge Challenger" "AMC Javelin" "Camaro Z28" [25] "Pontiac Firebird" "Fiat X1-9" "Porsche 914-2" [28] "Lotus Europa" "Ford Pantera L" "Ferrari Dino" [31] "Maserati Bora" "Volvo 142E"
Uit de bovenstaande voorbeelden hebben we ontdekt dat de dataset 32 waarnemingen heeft (Mazda RX4, Mazda RX4 Wag, Datsun 710, enz.) en 11 variabelen (mpg, cyl, disp, enz.).
Een variabele wordt gedefinieerd als iets dat kan worden gemeten of geteld.
Hier volgt een korte uitleg van de variabelen uit de mtcars-dataset:
| Variabele naam | Beschrijving |
|---|---|
| mpg | Mijl/(VS) Gallon |
| cyl | aantal cilinders |
| baten | Verplaatsing |
| pk | Bruto pk |
| ontwerp | Achteras verhouding |
| wt | Gewicht (1000 pond) |
| qsec | 1/4 mijl tijd |
| vs | Motor (0 = V-vormig, 1 = recht) |
| ben | Transmissie (0 = automaat, 1 = handgeschakeld) |
| uitrusting | Aantal versnellingen vooruit |
| koolhydraten | Aantal carburateurs |
Variabele waarden afdrukken
Als u alle waarden die bij een variabele horen wilt afdrukken, opent u het dataframe met behulp van het $teken en de naam van de variabele (bijvoorbeeld cyl(cilinders)):
Voorbeeld
Data_Cars <- mtcars
Data_Cars$cyl
Resultaat:
[1] 6 6 4 6 8 6 8 4 4 6 6 8 8 8 8 8 8 4 4 4 4 8 8 8 8 4 4 4 8 6 8 4
Variabele waarden sorteren
Gebruik de sort()functie om de waarden te sorteren:
Voorbeeld
Data_Cars <- mtcars
sort(Data_Cars$cyl)
Resultaat:
[1] 4 4 4 4 4 4 4 4 4 4 4 6 6 6 6 6 6 6 8 8 8 8 8 8 8 8 8 8 8 8 8 8
Uit bovenstaande voorbeelden zien we dat de meeste auto's 4 en 8 cilinders hebben.
De gegevens analyseren
Nu we wat informatie over de dataset hebben, kunnen we deze gaan analyseren met wat statistische cijfers.
We kunnen de summary()functie bijvoorbeeld gebruiken om een statistisch overzicht van de gegevens te krijgen:
Voorbeeld
Data_Cars <- mtcars
summary(Data_Cars)
Maak je geen zorgen als je de uitvoernummers niet begrijpt. Je zult ze snel onder de knie krijgen.
De summary()functie retourneert zes statistische getallen voor elke variabele:
- min
- Eerste kwantiel (percentiel)
- Mediaan
- Gemeen
- Derde kwantiel (percentiel)
- Max
We zullen ze allemaal behandelen, samen met andere statistische cijfers in de volgende hoofdstukken.